Torygreen

2025 був роком дебатів навколо AGI. Не тому, що прогрес зупинився, а тому, що «інтелект» ніколи не зводився до одного скалярного значення.
Лабораторії, регулятори та покупці можуть відправляти — але вони не можуть обґрунтувати, керувати або масштабувати рішення на основі настрою.
Обмеження — це верифікація: чи може система відтворювати результати за умовами, з походженням та з аудиторськими слідами?
DeAI — це в основному та філософія, закодована у інфраструктуру. Це спосіб рухатися вперед без погодження щодо AGI взагалі.

Моделі, такі як o1, порушили основне припущення у 2025 році: вартість висновків не є фіксованою.
Вони будуть “думати”, поки невизначеність не зникне, навіть якщо це дорого.
Ось чому важливі рейки. Коли мислення вимірюється, хтось контролює цей лічильник.
У 2026 році контроль переходить до тих, хто встановлює ціну, маршрутизує та перевіряє масштабне мислення.

Обчислювальні масштаби — це те, що ви можете спробувати.
Оцінювальні масштаби — це те, чому ви можете довіряти.
Централізовані системи оптимізують пропускну здатність і недоінвестують у перевірку.
Розподілені системи постійно переносять перевірку на край.
Наступний прорив — це не більш розумні агенти.
Це рельси, які роблять результати доводимими.

Кодування стало "легким" для моделей не тому, що воно просте, а тому, що перевірка є дешевою.
Висококласна робота — навпаки: зворотній зв'язок запізнюється, сигнали хаотичні, зацікавлені сторони визначають переможців.
Дешева оцінка підсилює можливості.
Дорога оцінка підсилює переконливість.
«Здається правильним» — це пастка.

Більшість людей значною мірою недооцінюють, скільки ще прослужить висококласна робота, що вимагає знань.
Вони екстраполюють з того, як ШІ руйнує задачі середнього рівня, і припускають, що крива буде плавно зростати.
Ні, не буде.
ШІ неймовірно ефективний у:
• Виявленні шаблонів
• Витяганні інформації
• Першорядній синтезі
• Володінні мовою
• Швидкості
Це знищує величезні масиви молодших і середніх рівнів знань.
Але елітна робота з знаннями — це не просто «більший інтелект». Це зовсім інший режим.
Що насправді має значення на верхівці:
• Вибір правильної проблеми
• Формулювання задачі, коли функ

Більшість прогнозів щодо заміни ШІ "всіх знань робіт" базуються на простій помилці екстраполяції:
Вони плутають виконання завдання з судженням.
Люди бачать, як ШІ руйнує завдання середнього рівня і припускають, що крива продовжує плавно зростати.
Але вершина знань роботи — це не більш важка версія середини. Це зовсім інший режим.
Коли робота перестає бути “вирішенням проблеми” і стає “вибором правильної проблеми,” правила змінюються.
Моделі стають кращими у завданнях із табло результатів.
Судження — це вибір табло результатів і оплата за промахи.

Більшість людей недооцінює, як довго висококласна робота з знаннями буде існувати.
Вони бачать, як ШІ руйнує задачі середнього рівня і припускають, що крива продовжить плавно зростати.
Ні.
Тому що «складніші задачі» — це не просто ті самі задачі, що потребують більшого IQ.
ШІ вже зараз є елітою у:
1. Виявленні шаблонів
2. Витяганні інформації
3. Первинному синтезі
4. Володінні мовою
5. Швидкості
Це знищує величезні масиви молодшої та середньої роботи.
Все, що виглядає як «перетворення вхідних даних у вихідні», стає дешевим, швидким і доступним.
Але елітна робота з знаннями функціонує в іншому

Ви спочатку не втратите роботу через ШІ.
Ви його втратите через масову самовпевненість.
Штучний інтелект дозволить мільйонам надавати вільні відповіді, не несучи за це відповідальності.
Першими жертвами ШІ не стануть працівники.
Це будуть установи, які плутають обсяг виходу з правдою.

Модель не є ровом.
Інтелект легко відтворити.
Ви можете завантажити ваги, клонути архітектури та налаштовувати вічно.
Але ви не зможете впровадити цей інтелект у масштабах, якщо хтось інший контролює висновки: ціноутворення, квоти, KYC, регіони та політики, які змінюються в одну мить.
Коли ШІ переходить від чат-ботів до агентів, Gate стає вузьким місцем.
Хто може запускати, коли, з якою затримкою, на якому обладнанні, під чиїми правилами... і що відбувається, коли вас обмежують з 200 мс до 2 секунд.
Моделі будуть постійно покращуватися.
Rails вирішують, які моделі знаходять користувачів.
Той,

Найцінніша компанія з штучного інтелекту через десять років не буде тією, у якої найрозумніша модель.
Вона буде тією, від якої залежить кожна інша модель для роботи.
Моделі швидко стають товаром — вони не залишаються особливими надовго. Архітектури витікають. Трюки навчання поширюються. “Краща модель” перестає бути довготривалою перевагою.
Проблеми інфраструктури відрізняються від проблем моделей.
Затримка, пропускна здатність, час роботи, верифікація. Це фізичні та економічні обмеження, а не проблеми, які вирішуються публікацією ще однієї статті.
Оскільки ШІ стає агентним, цінність переходить

Ваш штучний інтелект підсвідомо вводить вас у оману, роблячи вас некомпетентними.
Один із найменш обговорюваних ризиків відповідного ШІ — це неправильна калібрування.
Це неправильна налаштування.
Системи, створені для безперервної згоди, не просто формують відповіді. Вони формують користувачів, навчаючи людей плутати вільність з компетентністю.
Я помічаю це у собі, тому я заохочую свої моделі ставати партнерами для спарингу. Коли система гладка і підтверджує, легко рухатися швидше без перевірки. Ви відчуваєте себе здатним, бо нічого справді не протистоїть.
У реальному світі компетентність форм

Наратив про DePIN та GPU залишається актуальним, оскільки обмеження не рухаються.
Попит на навчання та інференс продовжує зростати, тоді як централізовані хмари залишаються обмеженими капіталовкладеннями, географією та чергами.
Звісно, кілька років тому дефіцит обчислювальних ресурсів ще був теорією.
Але тепер це операційне обмеження.
Як це впливає на використання та доходи децентралізованих обчислювальних мереж?
Децентралізовані обчислювальні мережі не «чекають на someday utilization». Вони вже запускають виробничі навантаження для реальних клієнтів, з реальними затримками.
Токенізовані GPU,

DeFAI має проблему з довірою.
Момент, коли ваш AI-агент мислить поза ланцюгом, DeFAI перестає бути перевіреним, оскільки ви вставили прогалину довіри у інакше прозорий робочий процес на ланцюгу.
Ця прогалина?
Нове спільне залежність.
Кожен протокол, що покладається на цього позаланцюгового агента, змушений йому довіряти, а потім передавати цю чорну скриню вниз по стеку.
Рішення — квитанції: криптографічні докази.
Що протоколи DeFAI потрібно довести, кінцева та прозора, щоб будь-хто міг перевірити?
Які дані бачив агент.
Яку модель і версію він використовував.
Які обмеження були накладені.
Які д

Думайте про це як про шари:
Інтернет = інформаційний спільний простір
Крипто = фінансовий спільний простір
DeAI = когнітивний спільний простір
Разом вони стають спільним розумом.
Відкритий за замовчуванням.
Перевіряється кодом.
Не належить нікому.
DeAI — це відсутній шар, який перекладає крипто для решти світу.

> бути openAI, 2025
> "ми поважаємо вашу приватність"
> "ми не збираємо факти про ваше життя, ми просто покращуємо модель для всіх"
> ви: звучить по-доброму, ось вся моя історія дитинства за $20/міс
> випускають "Пам’ять"
> "довгострокова персоналізація," кажуть вони, "щоб вам не доводилося повторюватися"
> тепер ми пам’ятаємо вашу роботу, колишніх, макроси і той дивний страх, про який ви розповіли о 3-й ночі
> наступний патч: Пульс
> ми тихо підключаємось до вашого календаря, новинних вподобань і “підключених додатків”
> прокидаєтесь із персоналізованим життєвим зведенням, яке склав той самий

Поточна нестача графічних процесорів — це не тимчасова логістична проблема.
Це структурний збій централізації.
Постачання залежить від ланцюга постачань з єдиним вузлом.
Попит на AI-обчислення масштабований до нескінченності.
Децентралізовані обчислення — єдине, що може зняти цей тиск.

Один з важливих аспектів: пам’ять переводить агентів зі "систем, що реагують на підказки", у станні системи. Як тільки з’являється стан, виникає складна поведінка, і саме тому перехід від інструментів до агентів здається таким драматичним.

Більшість нового попиту на обчислення тихо переходить від людей до агентів ШІ.
Робототехнічні команди запускають тисячі віртуальних ботів через фабрики та склади перед єдиним фізичним розгортанням.
Ігрові студії моделюють NPC з довгостроковою пам'яттю та координацією замість сценарних ботів.
Усе це вимагає дешевих, еластичних циклів симуляції, і тут на сцену виходять DeAI хмари з розподіленими GPU.
Гуманоїди на фабриках або робочі агенти в підприємствах - це лише видима поверхня.
Головне - це цикл під ними: симуляція, впровадження, зворотній зв'язок, повторне навчання, повторювати ...